Medicine AI 的最小闭环
真正的进展不是再增加一个模型，而是关闭一次“证据 → 预测 → 区分性实验 → 数据回流”的循环。
Our current Medicine AI thesis is deliberately narrow: build a model-independent, experimentally calibrated workbench that can turn one biological question into traceable evidence, a preregistered prediction, a discriminating experiment and useful feedback.
模型地图不是研究结果
生物 AI 领域每天都会出现新的结构模型、生成器、评分器和 agent workflow。收集它们很容易形成“正在高速前进”的感觉，却不一定缩短任何一个科学问题的距离。
如果没有稳定的数据接口、明确的失败条件和能区分竞争假设的实验，再完整的工具地图也无法告诉我们：哪些表示真的包含可用于预测或控制的生物学信息。
四个必须连接的环节
第一步是证据：对象、来源、实验情境与不确定性都可追溯。第二步是预测：在揭晓结果之前冻结判断。第三步是区分性实验：结果需要让至少一个解释失去立足点。第四步是回流：包括失败、no-call 和未推进原因，而不只保存成功候选。
这套闭环与具体模型无关。模型可以替换，证据纪律、对照、holdout 和 lineage 不能随新闻周期一起替换。
软件工程背景的价值
软件工程并不能替代实验生物学，但擅长把模糊目标变成对象定义、数据合同、可复现流程、审计日志和失败恢复。它最适合连接通用 LLM、专业序列/结构模型与真实实验。
我们的目标不是让聊天模型单独“设计药物”，而是让不同工具在边界清楚的系统里工作，并让实验拥有最终判决权。